Electronic Theses and Dissertation

Performa klasifikasi citra dari model deep learning (dl) dipengaruhi oleh kualitas input. citra input yang hanya mengandung informasi penting akan meningkatkan akurasi klasifikasi. oleh karena itu tahapan pra pemrosesan citra berupa segmentasi sangat penting. pada penelitian ini dibangun algoritma segmentasi yang akan mengambil area penting atau region of interest (roi) dari citra termal payudara. untuk analisis citra medis, banyak model convolutional neural network (cnn) telah diusulkan untuk melakukan segmentasi citra medis, diantaranya adalah u-net dan segnet. segnet memiliki performansi yang lebih baik dalam melakukan segmentasi. adapun model yang digunakan pada penelitian ini adalah segnet untuk mengambil region of interest (roi) dari citra termal payudara. yang menjadi fokus penelitian ini adalah mengamati dan menganalisa kinerja segnet dalam segmentasi citra termal payudara untuk memisahkan area payudara dengan latarnya. citra termal yang digunakan merupakan citra yang diunduh dari database for mastology research (dmr). dalam penelitian ini untuk mendapatkan model akurasi yang tinggi dilakukan pengevaluasian model terhadap segnet dengan dice loss function, binary cross-entropy loss function, dan focal loss function. dari penelitian yang dilakukan, hasil pengujian menunjukkan bahwa kinerja segmentasi citra termal payudara menggunakan algoritma segnet memiliki tingkat akurasi yang baik dengan menggunakan dice loss function dan binary cross entropy loss function sama-sama menghasilkan akurasi piksel sebesar 89% dan dice coefficient sebesar 98%. kata kunci: citra termal payudara, convolution neural network, segnet, dan segmentasi.

Image classification performance from deep learning (DL) models is affected by input quality. Input images that only contain important information will improve classification accuracy. Therefore, the pre-processing stage of the image in the form of segmentation is very important. In this study, a segmentation algorithm was built that would take important areas or regions of interest (ROI) from breast thermal images. For medical image analysis, many convolutional neural network (CNN) models have been proposed to perform medical image segmentation, including U-Net and SegNet. SegNet has better performance in segmentation. The model used in this study is SegNet to retrieve the region of interest (ROI) from breast thermal images. The focus of this research is to observe and analyze the performance of SegNet in breast thermal image segmentation to separate the breast area from the background. The thermal image used is an image downloaded from the database for mastology research (DMR). In this study, to obtain a high accuracy model, an evaluation of the SegNet model was carried out with the dice loss function, binary cross-entropy loss function, and focal loss function. From the research conducted, the test results show that the performance of breast thermal image segmentation using the SegNet algorithm has a good level of accuracy using the dice loss function and binary cross entropy loss function both produce a pixel accuracy of 89% and a dice coefficient of 98%. Keywords: breast thermal image, convolution neural network, segnet, and segmentation.